[發明專利]一種原模圖LDPC碼的自學習快速收斂譯碼方法及裝置

在審

• 申請號: 202110014150.8
• 申請日: 2021-01-06
• 公開（公告）號: CN112737599A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 戴金晟;牛凱;譚凱林
• 申請（專利權）人: 北京郵電大學
• 主分類號: H03M13/11
• 分類號: H03M13/11
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 徐雅琴

本說明書一個或多個實施例提供一種原模圖LDPC碼的自學習快速收斂譯碼方法及裝置，包括基于原模圖LDPC碼生成訓練樣本，對原模圖LDPC碼的校驗節點進行分組，得到至少一組校驗節點，根據至少一組校驗節點，構建自學習神經網絡譯碼模型，輸入訓練樣本對自學習神經網絡譯碼模型進行訓練，得到用于對原模圖LDPC碼進行譯碼的譯碼模型，利用譯碼模型對原模圖LDPC碼進行譯碼。本實施例的譯碼方法，基于分組后的校驗節點構建譯碼模型，利用譯碼模型進行原模圖LDPC碼的譯碼，結合并行計算與串行計算，能夠保證譯碼速度，同時加快譯碼收斂速度，提高譯碼性能。

技術領域

本說明書一個或多個實施例涉及通信技術領域，尤其涉及一種原模圖LDPC碼的自學習快速收斂譯碼方法及裝置。

背景技術

低密度奇偶校驗碼(Low Density Parity Check Code,LDPC)，是一種譯碼復雜度低且性能優良的線性分組糾錯碼，LDPC碼的優異性能已成為5G標準中的數據信道編碼方案，5G標準下的LDPC碼是一種原模圖LDPC碼。

目前的LDPC碼迭代譯碼方法可分為洪泛(flooding)機制和分層(Layered)機制，洪泛機制是指在一次迭代中所有校驗節點一起更新，并行度很高，譯碼速度快，但是同樣的迭代次數條件下譯碼性能不及分層機制；分層機制是指在一次迭代譯碼中串行調度校驗節點，串行度很高，譯碼速度較慢，譯碼性能隨迭代次數快速收斂。

發明內容

有鑒于此，本說明書一個或多個實施例的目的在于提出一種原模圖LDPC碼的自學習快速收斂譯碼方法及裝置，能夠提高譯碼速度，同時保證譯碼性能。

基于上述目的，本說明書一個或多個實施例提供了一種原模圖LDPC碼的自學習快速收斂譯碼方法，包括：

基于原模圖LDPC碼生成訓練樣本；

對原模圖LDPC碼的校驗節點進行分組，得到至少一組校驗節點；

根據至少一組校驗節點，構建自學習神經網絡譯碼模型；

輸入所述訓練樣本對所述自學習神經網絡譯碼模型進行訓練，得到用于對所述原模圖LDPC碼進行譯碼的譯碼模型；

利用所述譯碼模型進行譯碼。

可選的，所述對原模圖LDPC碼的校驗節點進行分組，得到至少一組校驗節點，包括：

確定兩兩校驗節點之間的相關性；

根據兩兩校驗節點之間的相關性，將各校驗節點進行聚類，將同一類的校驗節點分為一組，得到分組后的至少一組校驗節點。

可選的，所述各校驗節點進行聚類的方法是：同一組內的校驗節點相關性低于預定低閾值，不同組的校驗節點相關性高于預定高閾值。

可選的，所述根據至少一組校驗節點，構建自學習神經網絡譯碼模型，包括：

將各組校驗節點作為一個譯碼層，構建所述自學習神經網絡譯碼模型，所述自學習神經網絡譯碼模型包括：

輸入層，用于輸入所述訓練樣本；

至少一層譯碼層，每層譯碼層包括至少一個組合子層，所述組合子層的個數與所述校驗節點的組數相同，每個組合子層用于一組校驗節點及與該組校驗節點連接的變量節點按照特定的譯碼算法進行更新；

輸出層，用于輸出經過各譯碼層進行譯碼處理后的譯碼結果。

可選的，所述組合子層包括變量節點更新子層、校驗節點更新子層和判決子層，所述變量節點更新子層中的神經元和校驗節點更新子層中的神經元用于按照所述譯碼算法進行更新運算，所判決子層用于輸出判決信息。

可選的，所述校驗節點更新子層中的神經元設置權重和偏置；